基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析

为构建较准确的日光温室温湿度预测模型,于2011-2013年冬季(1月、2月、12月)天津市宝坻区开展温室内外环境监测试验,并建立3种天气类型(晴、多云、阴)下3个时段(0-8时、8-17时、17-23时)逐步回归与BP神经网络温室内温湿度预测模型。结果表明:1)温室内气温逐步回归模型9种情况下模拟值与实际值的绝对误差小于3℃的平均准确率Rate(≤3℃)为88%,平均均方根误差(RMSE)为2℃;BP神经网络模型9种情况下模拟值与实际值的绝对误差小于3℃的平均准确率Rate(≤3℃)为94%,平均均方根误差(RMSE)为1.6℃。应用BP神经网络建立的气温预测模型相对更为准确稳定。2) 相对湿度逐步回归模型9种情况下模拟值与实际值的绝对误差小于6%的平均准确率Rate(≤6%)为81%,平均均方根误差(RMSE)为5.7%;BP神经网络模型9种情况下模拟值与实际值的绝对误差小于6%的平均准确率Rate(≤6%)为80%,平均均方根误差(RMSE)为6.7%。两类模型均不适宜预测8-17时日光温室相对湿度,而17-23时与0-8时应用逐步回归建立的湿度预测模型相对更准确稳定。     

大孔吸附树脂分离纯化多穗石柯根皮苷

为优化筛选最优树脂分离纯化根皮苷的工艺技术参数,以多穗石柯根皮苷提取液为原料,比较研究D101、X-5、ADS-7、S-8、AB-8、NKA-9、HPD-100及HPD-400 8种大孔吸附树脂对多穗石柯根皮苷的静态吸附与解吸效果。结果表明：S-8树脂对根皮苷有较好的吸附与解吸效果,静态吸附量与解吸量分别达到14.70 mg/g和8.395 mg/g。当主要考虑根皮苷得率时,最优工艺条件为根皮苷上样浓度 0.9 mg/mL、上样流速3 BV/h、上样体积7 BV,洗脱剂乙醇体积分数60%、洗脱流速为4 BV/h、洗脱体积为3 BV,其根皮苷得率为89.89%,纯度为10.50%,根皮苷分离富集倍数为2.76倍;当主要考虑根皮苷纯度时,最优工艺参数为根皮苷上样浓度0.9 mg/mL、上样流速3 BV/h、上样体积7 BV,洗脱剂乙醇体积分数70%、洗脱流速为3 BV/h、洗脱体积为3.5 BV,其根皮苷纯度为13.51%,得率为83.26%,根皮苷分离富集倍数为3.56倍。     

树脂法绿色制备茶多酚研究

为了提高中低档茶叶资源利用率,解决目前茶多酚生产工艺使用较多氯仿、乙酸乙酯等有毒有机溶剂、易造成环境污染等问题,以中低档茶叶为原料,采用食用级乙醇和水2种易得、安全的溶剂,比较BYX、HPD200A、HZ103、HZ841、NKA-9、PA、ADS17、XDA5、XDA7、NPS1、NPS2、HP20等12种树脂对茶多酚、咖啡碱、儿茶素的静态吸附和解吸附效果,筛选出较好的绿色制备树脂BYX,并应用BYX树脂对茶多酚进行动态洗脱研究。结果表明,以2 BV/h流速、80%乙醇体积分数、3 BV洗脱体积的BYX树脂洗脱工艺参数进行茶多酚分离制备,茶多酚纯度和得率分别可达到98.36%和19.56%,咖啡碱含量为0.96%,儿茶素含量为80.82%,EGCG含量为46.52%。该茶多酚绿色制备法工艺简单易行,不使用乙酸乙酯、氯仿等有毒有机溶剂,整个工艺过程不产生毒害污染物,安全卫生,产品质量高,可为高质量茶多酚产品的工业化绿色生产制备提供新途径。     

基于主成分分析的BP神经网络估算藏北高寒草地覆盖度变化

藏北高寒牧区草地是中国高寒草地分布面积最大的地区。为了及时准确地获得该区域草地覆盖度的变化趋势,本研究利用多年气象数据、社会统计数据、GIMMS、MODIS两种归一化植被指数（NDVI）数据作为参数,构建 BP神经网络模型,估算2010—2014年藏北高寒草地年际变化趋势,并用主成分分析方法优化参数来改进模型。结果表明,① BP神经网络模型及其改进模型对藏北高寒草地覆盖度年际变化趋势与遥感值的相关系数为0.16、0.47,表明通过主成分分析优化参数后的BP神经网络模型具有较好的模拟效果。 ②两种BP神经网络估算的植被指数值与NDVI值平均误差率分别为2.36%、2.20%。均有较高的模拟精度。③从神经网络训练步数上看,BP神经网络结果训练收敛步长为5000,基于主成分分析的BP神经网络模型训练收敛步长为454,表明后者提高了计算效率,体现出良好的收敛性。因此,无论从年际变化趋势拟合程度、植被指数估算值精度、还是从计算效率来看,改进的BP神经网络模型对于估算藏北高寒草地覆盖度变化更加行之有效。     

基于BP神经网络的农业电子商务网站评价研究

提出了适合农业电子商务网站的评价指标体系。建立农业电子商务网站的BP神经网络评价模型,通过BP神经网络对数据进行训练、测试,对提出的评价指标体系进行了验证。通过对结果的分析发现,建立的基于BP神经网络的评价模型在农业电子商务网站评价中具有可行性,在网站建设方面具有较强的参考价值。     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

基于BP神经网络的土壤重金属污染评价方法——以包头土壤环境质量评价为例

为了克服国标(GBl5618—1995)内梅罗综合污染指数评价土壤环境质量时存在的缺点,借助BP神经网络模型,并结合GIS技术对包头土壤重金属污染的空间分布进行研究。实地调研获得221个土壤样,利用原子荧光光谱法和等离子体质谱法测试得到8种重金属含量数据。统计结果表明,研究区主要为Pb、Zn污染,考虑研究区特异性构造神经网络学习样本,建立基于特征模式的BP神经网络土壤环境质量评价模型。根据采样点评价结果,利用Kriging插值法绘制包头土壤环境质量专题图,分析得出包头土壤环境呈沿昆都伦河被污染的条带特点。结果表明,根据采样统计量信息利用BP神经网络模型,能够有效建立特殊研究区土壤中各种重金属含量与环境质量之间的非线性映射关系,为土壤污染的来源、分布、累积效应和主要影响因素以及污染链的阻断提供依据。     

遗传算法优化人工神经网络模型在日光温室湿度预报中的应用

提出一种基于遗传算法优化BP神经网络的方法预测日光温室湿度环境因子。实测日光温室内影响空气湿度的环境因子组成数据样本作为神经网络的输入,采用基于实数编码的遗传算法替代随机设定神经网络的初始权阈值,然后通过改进的BP算法在由遗传算法确定的搜索空间中对网络进行精确训练。模型预报值和实测值基于1：1线的决定系数R2和预测平均相对误差MSE分别为0.9857和3．1％。结果表明,遗传算法优化BP神经网络预报模型收敛速度快、预测精度高。可为日光温室的湿度环境调控制提供理论依据和决策支持。     

绿豆皮黄酮的纯化工艺研究

以绿豆皮为原料,主要研究了绿豆皮黄酮的纯化工艺。首先比较了AB-8,LSA-10,HPD-100和ADS-7型4种大孔树脂对绿豆皮黄酮的吸附和解析特性,选择其中最好的树脂,对其吸附和解析条件进行了研究。结果表明,AB-8型是纯化绿豆皮黄酮较好的大孔树脂,其最佳吸附条件为上样速率1.98 m L/min,上样质量浓度0.045 9 mg/m L,上样量10 m L时,最大吸附率可达88.89%;其最佳解析条件为解析液乙醇体积分数70%,解析液洗脱流速1.98 m L/min,解析液用量25 m L时,解析率可达69.51%。绿豆皮黄酮的纯度由10.57%提高至72.19%,表明该纯化工艺具有较好的纯化效果,可为绿豆皮黄酮的纯化及进一步开发应用提供参考。     

基于随机森林法的棉花叶片叶绿素含量估算

为了高效和无损地估算棉花叶片的叶绿素含量,本研究测定了棉花光谱反射率及叶绿素含量(soilandplant analyzerdevelopment,SPAD)值,对光谱数据进行包络线去除处理、立方根转换和倒数转换,以SPAD值与反射光谱之间的相关性为基础,通过随机森林法筛选出对棉花叶片SPAD值影响较大的特征波段,构建估算棉花叶片SPAD值的BP神经网络(back propagation artificial neural networks, BP ANN)、偏最小二乘回归(partial least squares regression,PLSR)两个模型。结果表明,在605～690nm范围内的反射率与SPAD值相关性达0.01显著水平,均呈负相关,相关系数最高值为-0.619。与原始光谱相比,经过变换后的棉花反射率与SPAD值相关性结果相差较大,其中去除包络线光谱在550～750 nm波段范围有效提高了相关性,相关性效果优于倒数转换数据和立方根转换数据。随机森林法能够有效评出对SPAD值影响较大的特征波段,进而提高模型估算精度。在两种模型中,基于去除包络线光谱建立的PLSR和BP神经网络模型的决定系数R~2分别为0.92、0.83,说明这两种模型的估算能力较好;两种模型RMSE分别为0.88、1.26, RE分别为1.30%、1.89%,表明PLSR模型的估算精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算棉花SPAD值方面有一定的优势和参考价值。     

山西日光温室逐日极端气温预测模型研究

利用山西省忻州市日光温室的室内小气候观测数据及气象站资料,用BP神经网络及逐步回归法建立以多种输入变量的不同天气条件下的日光温室内最高温度、最低温度的模型。结果表明,利用BP神经网络及逐步回归法建立的模型R2均在0.96以上,RMSE与AE大部分在2℃之下。利用逐步回归方法在模拟日光温室内晴天最高、最低温度和寡照的最高温度精度较高,利用BP神经网络模型在多云的最高、最低温度与寡照的最低温度模拟的精度较高。选择精度更好的模型对日光温室的极端气温做准确的预测,可为山西省设施农业的管理和调控及小气候预报提供支持。     

基于LM-BP神经网络的耕地土壤养分等级划分模型──以皖南山区为例

研究旨在通过BP神经网络方法,构建起LM-BP网络结构(5-M-1)模型,达到对土壤养分等级划分的目的,为合理的土壤养分管理提供可靠依据。采用Levenberg-Marquardt (LM)训练算法,构建3层网络模型：一个输入层、一个隐含层、一个输出层,利用3层网络作为耕地土壤养分等级划分模型。利用土壤养分各级评价标准作为模型的训练样本和测试样本,以此来对BP神经网络进行训练和测试,并对歙县土壤养分进行综合评价。结果表明：LM-BP网络结构对测试样本输出的预测值和实际参考值是一致的。最终通过灰色关联模型和主成分分析方法对歙县土壤养分的综合评价结果与BP神经网络的模拟结果相对比,发现也是基本一致的。LM-BP网络结构应用于土壤养分等级划分中,得到了很好的预测效果,为智能算法应用于农业领域奠定了良好的基础。     

基于幼果期气象数据苹果产量早期预测研究——以运城市为例

本文通过对运城市2005—2018年气象数据和苹果年产量数据进行分析,构建运城市苹果产量早期预测模型。首先,采用HP滤波法将运城市苹果年产量分为趋势产量和气象产量。其次,分别对苹果物候期：发芽期、花期、幼果期、膨果期、成熟期建立多元线性回归模型,研究每个物候期对苹果气象产量影响的强弱。最后,选取对苹果气象产量影响最强的幼果期建立BP神经网络早期预测模型,并对其进行验证。结果表明：选取幼果期建立的BP神经网络苹果产量早期预测模型其预测结果相对平均误差为7.08%,使用2019年相关数据验证BP神经网络产量早期预测模型的精度为89.6%,表明该模型能够较为准确的预测苹果产量,可为农作物产量早期预测提供理论支持。     

基于数值预报产品的地表温度预报方法研究

为了开展地表温度预报业务,提高逐日地表温度预报准确率,利用2007—2012年的ECMWF和T213数值预报产品资料及抚顺市的逐日地表温度资料,采用逐步回归分析方法和BP神经网络模型分别构建抚顺市地表温度预报模型,并对模型的精度进行检验。结果表明,地表温度与ECMWF的高度场、海平面气压场、温度场和T213的散度场、高度场、海平面气压场、地面气压场、海平面K指数、水汽通量、相对湿度、温度场、地面气温和场涡度场均呈显著相关。对预报模型进行精度检验显示,地表平均温度和地表最低温度的预报效果较好,≤3℃预报准确率均达到79%以上。2种模型对比显示,BP神经网络预报模型总体上优于逐步回归预报模型;逐步回归预报模型较BP神经网络预报模型稳定。     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%；外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

雄先型核桃雄花疏除的二次回归与BP神经网络模型研究

雄先型核桃雄花疏除（去雄）是提高产量的重要管理措施,为提高核桃去雄的效率,建立二次回归与BP神经网络模型。分别以乙烯利、赤霉素和甲哌鎓为自变量和核桃雄花脱落率为响应指标,进行田间建模试验,建立了二次多项式回归方程和BP神经网络模型,并于翌年进行BP模型田间确认试验。试验数据分为训练集、确认集和试验集,中心组合（二次旋转回归试验设计）田间建模试验得到的20组数据随机划为训练集(17)和确认集(3)数据,试验集为翌年田间确认试验得到的数据,BP神经网络的拓扑结构为3-5-1。（1）BP神经网络对确认集样本的预测值误差分别为1.3550%、0.4291%、0.3538%;（2）BP神经网络的预测值与田间确认试验结果相差为2.04%,回归预测值与田间确认试验结果相差为3.12%;（3）BP神经网络预测比回归预测提高预测精度1.0%以上。将二次多项式逐步回归分析和BP神经网络方法有效的结合使用,既可明确各因子的作用效应亦可得到相对准确的预测结果。     

A new pattern recognition method of gas sensor array detection

BP neural network based gas sensor array detection pattern recognition has some disadvantages, such as slow convergence and local minimum problem. A modified immune neural network model which combines BP algorithm and immune algorithm is proposed to enhance global search capability and improve the performance of the neural network model. Orthogonal test is adopted to design the study samples of neural network. This ensures the accuracy of neural network while reducing the number of samples. The simulation results show that the proposed pattern recognition method solves the cross sensitivity of gas sensor effectively, overcomes the disadvantages of traditional BP neural network and improves the learning speed and detection accuracy.